¿Cuál es la diferencia entre el pico de correlación normalizado y el pico de correlación dividido por su promedio?

10

Dada una plantilla y una señal, surge la pregunta de cuán similar es la señal a la plantilla.

Tradicionalmente, se utiliza un enfoque de correlación simple, mediante el cual la plantilla y una señal están correlacionadas, y luego el resultado completo se normaliza por el producto de sus dos normas. Esto proporciona una función de correlación cruzada que puede variar de -1 a 1, y el grado de similitud se da como la puntuación del pico en el mismo.

  • ¿Cómo se compara esto con tomar el valor de ese pico y dividirlo por la media o el promedio de la función de correlación cruzada?
  • ¿Qué estoy midiendo aquí en su lugar?

Adjunto hay un diagrama como mi ejemplo. ingrese la descripción de la imagen aquí

Para obtener la mejor medida de su similitud, me pregunto si debería mirar:

  1. ¿Solo el pico de la correlación cruzada normalizada como se muestra aquí?

  2. ¿Tomar pico pero dividir por el promedio de la gráfica de correlación cruzada?

  3. Mis plantillas serán ondas cuadradas periódicas con algún ciclo de trabajo, como puede ver, así que ¿no debería explotar de alguna manera los otros dos picos que vemos aquí?

    • ¿Qué daría la mejor medida de similitud en este caso?

¡Gracias!

EDITAR para Dilip:

Tracé la correlación cruzada al cuadrado VS una correlación cruzada que no es al cuadrado, y ciertamente 'agudiza' el pico principal sobre los demás, pero estoy confundido sobre qué cálculo debería usar para determinar la similitud ...

Lo que estoy tratando de resolver es:

  1. ¿Puedo / debo usar los otros picos secundarios en mis cálculos de similitud?

  2. Tenemos una gráfica de correlación cruzada al cuadrado ahora, y ciertamente agudiza el pico principal, pero ¿cómo ayuda esto a determinar la similitud final?

Gracias de nuevo. ingrese la descripción de la imagen aquí

EDITAR para Dilip:

Los picos más pequeños realmente no ayudan en los cálculos de similitud; Es el pico principal lo que importa. Pero los picos más pequeños brindan soporte para la conjetura de que la señal es una versión ruidosa de la plantilla. "

  • Gracias Dilip, estoy un poco confundido por esa afirmación: si los picos más pequeños de hecho brindan soporte de que la señal es una versión ruidosa de la plantilla, ¿eso no ayuda también en alguna medida de similitud?

Lo que me confunde es si simplemente debería usar el pico de la función de correlación cruzada normalizada como mi única y última medida de similitud y 'no me importa' sobre cómo se ve / se ve el resto de la función de correlación cruzada, O, ¿Debería tener en cuenta el valor máximo y some_other_metric del cross-cor?

  • Si solo importa el pico, ¿cómo / por qué cuadraría la función ayudaría, ya que solo magnifica el pico principal en relación con los más pequeños? (¿Más inmunidad al ruido?)

  • Largo y corto: ¿Debería preocuparme por el pico de la función de correlación cruzada solo como mi medida final de similitud, o también debería tener en cuenta todo el gráfico de correlación cruzada? (De ahí mi pensamiento acerca de mirar su significado).

Gracias de nuevo,

PD El retraso de tiempo en este caso no es un problema, ya que 'no le importa' esta aplicación. PPS No tengo control sobre la plantilla.

Spacey
fuente

Respuestas:

1

Para agregar alguna perspectiva, podría volver a la interpretación probabilística de la correlación. Recuerde que la correlación se usa porque mide el grado de similitud bajo algún modelo generativo lineal de la señal que conoce la plantilla (ruido gaussiano aditivo). La autocorrelación da una medida de la probabilidad logarítmica.

Para volver a su pregunta, hay una serie de parámetros libres, especialmente la variación del ruido, y esto se relaciona con su elección de normalización.

Meduz
fuente